그래프 평균장 동역학: 무작위·소규모 세계 네트워크에서 확률적 셀룰러 자동기관 분석

본 연구는 정신병리학에서 증상 간 상호작용을 그래프 형태로 모델링하고, 이러한 네트워크가 시간에 따라 어떻게 변하는지를 분석하기 위해 확률적 셀룰러 자동기관(PCA)의 평균장(mean‑field) 접근법을 확장한다. Ⅰ. 서론에서는 우울증 등 정신질환이 증상들의 상호작용 네트워크로 이해될 수 있음을 소개하고, 기존 연구에서 정규 격자(토러스) 위의 PCA에 평균장을 적용해 비선형 전이와 고정점 구조를 분석한 사례를 언급한다. 저자는 이러한 접근을 무작위 그래프와 소규모 세계 그래프에도 적용하고자 한다. Ⅱ. 확률적 셀룰러 자동기관의 정의를 제시한다. 각 노드는 이진 상태(0,1)를 가지며, 이웃 집합 Γ(x)와 로컬 규칙 φ에 따라 다음 시점의 상태가 결정된다. 확률적 요소는 로컬 규칙에 대한 전이 확률 p_a(·)로 도입된다. 논문은 특히 대칭적이고 전역적으로 동일한 ‘다수결 규칙’을 사용한다. 즉, 이웃 중 절반 이상이 1이면 다음 단계에서 1이 될 확률을 1‑p, 그렇지 않으면 p로 설정한다. Ⅲ. 평균장 근사의 수학적 전개가 세 부분으로 나뉜다. A. 격자 그래프(G_grid)에서는 모든 노드가 정확히 4개의 이웃을 가지므로, 전체 활성 비율 ρₜ를 이용해 다음 단계의 활성 확률 p_grid(ρₜ)를 이항분포와 다수결 규칙을 결합해 구한다. 이를 통해 ρₜ₊₁ = p_grid(ρₜ)라는 1차원 이산 동역학식이 도출된다. 평균과 분산은 각각 μ_grid = p_grid, σ²_grid = p_grid(1‑p_grid)/n 으로 표현되며, 체비쉐프와 중심극한정리를 이용해 큰 n에서의 근사 정확도를 정량화한다. B. 무작위 그래프(G_rg(n, p_e))에서는 각 노드의 차수가 B(n‑1, p_e) 이항분포를 따른다. 평균장은 차수 k에 대한 조건부 확률 ξ_k(r)와 이항분포를 결합해 p_rg(ρ) = Σ_k P(|Γ|=k) Σ_r ξ_k(r) C(k,r) ρ^{r}(1‑ρ)^{k‑r} 로 정의된다. 차수의 평균 ν = p_e (n‑1) 로 근사하면 p_rg ≈ p_νgrid(ρ) 형태로 단순화된다. 논문은 레머와 체비쉐프 경계를 이용해 |p_rg – p_νgrid| ≤ |p‑½|·2·exp(‑(n‑1)ε²/(p_e(1‑p_e)) + log n) 라는 지수적 수렴을 증명한다. C. 소규모 세계 그래프(G_sw)는 격자와 무작위 연결을 혼합한 구조이다. 재와링 확률 β에 따라 기존 격자 이웃을 무작위로 교체한다. 평균장은 (1‑β)·p_grid(ρ) + β·p_νgrid(ρ) 로 근사되며, β=0이면 순수 격자, β=1이면 순수 무작위 그래프에 수렴한다. 이 혼합식은 β에 따른 전이 현상의 연속성을 설명한다. Ⅳ. 이론적 결과를 바탕으로 다양한 파라미터(p, p_e, β)와 그래프 크기 n에 대해 시뮬레이션을 수행한다. 시뮬레이션은 평균장 식으로부터 얻은 기대값과 실제 PCA 시뮬레이션 결과를 비교하며, n이 100 이상이면 평균장 근사가 95% 신뢰구간 내에서 정확함을 확인한다. 또한, bifurcation 다이어그램을 그려 p와 β가 변할 때 고정점 수와 안정성 변화, 그리고 주기적 궤도 발생을 시각화한다. 특히, p≈0.5 근처에서 작은 파라미터 변화가 활성 비율을 급격히 전환시키는 ‘점프’ 현상이 관찰된다. Ⅴ. 논의에서는 이러한 전이 현상이 우울증 환자에서 증상이 급격히 악화되는 현상을 메타포적으로 설명할 수 있음을 강조한다. 평균장 모델은 복잡한 고차원 네트워크를 저차원 결정론적 시스템으로 축소함으로써, 고정점 분석, 안정성 검증, 전이 예측을 가능하게 한다. 또한, 실제 임상 데이터에 적용하기 위해서는 그래프 구조(연결성)와 로컬 규칙 파라미터(p)를 추정하는 절차가 필요하다고 제언한다. 결론적으로, 본 논문은 정규 격자뿐 아니라 무작위 및 소규모 세계 그래프에 대한 PCA 평균장 근사를 체계적으로 구축하고, 그 정확성을 확률적 경계와 대규모 시뮬레이션으로 검증함으로써, 정신병리학적 네트워크 모델링에 새로운 이론적 도구를 제공한다.